2.3　大知识工程

费根鲍姆曾经定义知识工程为“设计和构建专家系统及其他基于知识的系统的艺术”。然而，大知识和大知识系统如此庞大且复杂，导致传统知识工程技术根本无法构建高级大知识系统。

定义2.3　大知识工程（Big Knowledge Engineering）

大知识工程是关于大知识系统的工程，即使用科学方法获取大知识并朝着某个重大目标去设计、构造、应用大知识系统的艺术。

大知识工程的生命周期如下，其中标*的环节往往是非大知识工程项目所缺失的。

●　大目标*：在一开始就确定大知识工程的研究和应用目标是至关重要的。

●　大数据：拥有尽可能多的数据类型和数据数目。利用先进的数据分析技术去处理、挖掘和管理数据。

●　大知识*：极强的大规模知识的挖掘、连接、融合和管理能力。

●　大技术*：利用所有可用的技术和工具（不限于信息技术）去挖掘、验证和组织知识。

●　大服务*：自主研发一套满足不同潜在用户不同需求的技术和工具集。

●　大生命周期：通常来说，知识获取和更新的过程是永不停止的。同样地，管理和服务能力的改进和更新也是永不停止的。因此，只要大知识系统还在运行，大知识工程就要继续运转。

以上关于大知识工程的定义都只是指导性原则。基于上述分析，可以有不同的大知识工程模型。陆汝钤等人给出了大知识工程的生命周期模型作为一种可能的范式：

●　分析阶段：决定大知识和大知识系统的科学目标和服务目标。

●　设计阶段：确定大知识的框架和大知识系统的结构。首要任务是拥有一个大知识管理系统，比如KGMS可能是这类系统的原型。本体结构与语义网是知识表示的两个示例。

●　工具开发阶段：开发用于知识获取、系统构建和用户服务的技术和工具。例如，实现类似OpenIE或知识嵌入技术的机器学习算法。

●　知识采集阶段：使用各种可能的技术，从各种可能的来源去获取并测试数据和知识碎片，构建干净数据资源，例如从其他来源抽取信息或从网上获取数据。

●　整合阶段:通过解耦、挖掘、转化和融合所有知识去构建大知识。进而将大知识与第三步中开发的工具结合起来构建大知识系统。例如概率知识融合或多语言来源整合。

●　评估阶段：根据MC1～MC5测试大知识，如有必要可以再加上其他的MC标准。对知识元素分配可信度，例如置信度计算或知识补全。

●　验证阶段：根据MC6测试大知识系统，如有必要也可以加上其他MC标准。检查知识管理和服务功能的可用性与正确性，例如谷歌知识图谱搜索助手。

●　应用阶段：在实际案例中使用大知识系统。维持系统运转，如有必要，可以在前面的某个步骤中复制一个线程，来获取反馈信息。例如，NELL的永不停歇语言学习。

为了便于理解，图2-1给出了上述10个MC性质与大知识、大知识系统、大知识工程等概念之间的逻辑关系。